一本优质数据分析书籍的判断标准

如何选择一本合适的数据科学书籍是非常重要的。一本不合适的书会浪费你的时间和精力。有时候，书的大纲可能适合你。但是当你深入阅读的时候，你可能会发现作者只触及表面，不够深。这种情况以前也发给过我，我写这篇文章是为了让你避免这种情况。当我们选择与数据科学相关的书籍时，我们可以记录以下几点：·阅读作者的个人简介：它可以帮助理解作者的背景、他的研究和主要兴趣，但也可以展示这本书的一些细节。但也要给新作者机会，不要把这个作为关键。·仔细阅读序言：大多数书籍可以在网上免费阅读序言部分。请仔细阅读这部分。在大多数情况下，这部分作者不仅会介绍写作背景，还会介绍每一章的细节。·选择有独立章节的书:这是我个人的喜好，比较一本技术书不是小说。虽然从易到难，逐步学习很重要，但选择一本或多或少有独立章节的书可以让你结构性地掌握这本书。·逛逛书店:虽然现在可以在网上找到一切，但是在书店可以给你更直观的感觉。有时候，当我浏览一本书的关键章节时，我可能会改变主意，选择另一本书。·阅读在线评论：首先，不要相信所有的评论。毕竟，评论是主观的，但在线评论可以理解人们对这本书的普遍看法。我们常说：不要用一本书的封面来判断它的质量。亚马逊的评论值得参考，人们会对作者发表有见地的评论和批评。感兴趣的书籍数据科学有很多好书。本文末尾，我列出了39本我读过的数据分析书。如果列表中没有你认为高质量的书，请给我留言。一次回顾一堆书是一项艰巨的任务。之所以把这些书放在一起，是因为我认为概念和理论上有一些重叠的部分，其中最具挑战性的是大部分时间都是用不同的词来呈现和阐述的。以下是我在阅读数据科学书籍之前列出的理想书籍清单。记住，你永远不会从一本书中获得足够的知识，因为科学领域非常复杂，一本书远远不够。在下面，我根据每个标准选择了这些书的前五名。一本书的长度(页数)确实取决于所讨论的内容。虽然这不是质量的衡量标准，但我们可以假设你阅读的内容越多，你获得的知识就越多。以下是我根据书中讨论的内容排名前五的书。TheElementsofStatisticalLearningTrevorHastieandRobertTibshiraniPythoninaNutshell:ADesktopQuickReferenceAlexMartelli,AnnaRavenscroft,SteveHoldenDataStructuresandAlgorithmsinPythonMichaelT.GoodrichandRobertoTamassiaDoingDataScienceCathyO“NeilandrachelSchutpythonmachinelaningSebastianraschka的写作风格对科学领域的阐述具有挑战性。这取决于目标受众，不能让每个人都满意。有些作者在这方面有天赋，能够以简单明了的方式传达复杂的概念。有些作者在这方面有天赋，能够以简单明了的方式传达复杂的概念。同样，通过巧妙的结构和良好的学习方法来解释概念也有助于学习。以下是写作风格前五名的书籍。TheElementsofStatisticalLearningTrevorHastieandRobertTibshiraniPythonMachineLearningSebastianRaschkaTheArtofDataScienceRogerD.Peng,ElizabethMatsuiMachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofDataPeterFlachWorldMachineLearningHenrikBrinkandJosephRichards结构教授数据科学并不容易，但这并不难。我们只需要知道如何构建内容，以确保信息被保留。关于这一点有两种主要方法。这有两种主要方法。我们可以建立一个独立的模块，其中的内容不能相关，但仍然属于数据科学分析过程的内容。不需要按顺序单独解释这些概念。另一方面，人们可以按难度增加的顺序构建内容，就像大多数教学书籍一样。举例来说，关于回归，书中以最基本的回归形式开始，并加以越来越多的变化和最复杂的回归形式。以下是结构性排名前五的书。TheElementsofStatisticalLearningTrevorHastieandRobertTibshiraniPythonMachineLearningSebastianRaschkaModernPythonCookBookStevenF.LottDockerinPracticeIanMiellandAidanHobsonSayersEnsembleMethods:FoundationsandAlgorithmsZhi-HuaZhou内容怎么算太多？叙述从哪里开始？叙述从哪里开始？应该涉及什么，跳过什么？这些都是写数据科学相关书籍会遇到的问题。有些作者会选择涵盖一个非常具体的领域。当我们查看这些作者的学术资料时，我们可以看到他们的研究和工作之间的联系。大多数时候，这些作者写的不是一般的数据科学书籍，而是他们研究的一部分。他们的目标受众也比较窄。另一方面，一些作者关注数据科学教学的基本和整体部分，而不是细节。这类书籍通常包括使用R语言或Python的回归、分类、使用模块进行数据分析等。一本书是通过封面判断的？大多数人都说不要这样做。但我不同意这一点。我们会用封面来判断一本书的质量吗？我们需要并且必须这样做。当然，这里说的不是这本书的外封面，而是书第一部的介绍性段落，可以在序言中看到。在这一部分，作者大多详细介绍了本书各章节的细节。有时，作者会偏离他们最初对书籍的想法。这是正常的，这个领域正在迅速发现，观点也是如此。但一本好书总能遵循它最初的想法。解释的深度作者在解释时会有多深？我认为这与我在本文中提到的许多观点有关。这与内容、结构和长度有关。解释的深度可以区分作者。作者传达的信息中包含的内容与你能够吸收知识有关，特别是那些会在大脑中长期保留的知识。因此，作者的技能在这里起着非常重要的作用。因为他们必须掌握内容背后的真正意义，这使他们能够深入解释问题，避免读者脱离书的大框架。代码解释代码很重要，但不必要。如果这本书的主要目的是解释具体的方法、算法和方法如何在后台工作，那么最好的方法就是从零开始重新实现算法。虽然很多人会说:“为什么这么麻烦？我们有相应的模块”，但我只能建议他们换一本书，因为他们选错了书。重新实现的过程可以让你感受到优化库可扩展性所投入的能量。根据上下文，有些书只是为了教你如何使用特定的图书馆和包。这些书大多被称为可可book，作者会依靠笔记(在GitHub或其他版本控制平台上分享来补充他们的书)。通过作者，你会发现足够的代码可以帮助你通过解释一些联系来掌握特定的主题。TheElementsofStatisticalLearningTrevorHastieandRobertTibshiraniPythonMachineLearningSebastianRaschkaModernPythonCookBookStevenF.LottDockerinPracticeIanMiellandAidanHobsonSayersEnsembleMethods:FoundationsandAlgorithmsZhi-HuaZhou结论是一个非常主观的分类，假如你有不同的看法，请给我留言。附：39本数据科学推荐书DoingDataScencence CathyO’NeilandRachelSchuttDockerinActionJeffNickoloffTheArtOfRProgrammingNormanMatloffIntroducingDataScience DavyCielenandArnoMeysmanLearningPredictiveAnalyticswithPythonAshishKumarDataStructuresandAlgorithmsinPythonMichaelT.GoodrichandRobertoTamassiaAmazonWebServicesinActionAndreasWittigandMichaelWittigSparkforPythonDevelopersAmitNandiMachineLearning:AprobabilisticperspectiveKevinP.MurphyRealWorldMachineLearningHenrikBrinkandJosephRichardsiPythonInteractiveComputingandVisualizationCookbookCyrilleRossantMasteringMachineLearningwithscikit-learnGavinHackelingPythonDataScienceCookbookGopiSubramanianBuildingMachineLearningSystemswithPythonWilliRichertandLuisPedroCoelhoHadoopTheDefinitiveGuideTomWhiteStatisticalLearningwithSparsityTrevorHastieandRobertTibshiraniTheElementsofStatisticalLearningTrevorHastieandRobertTibshiraniFluentPythonLucianoRamalhoThoughtfulMachineLearningMatthewKirkMachineLearningwithRCookbookYu-Wei,Chiu(DavidChiu)DockerinPracticeIanMiellandAidanHobsonSayersDataScienceandBigDataAnalyticsEMCEducationServicesMasteringObject-OrientedPythonStevenF.LottMachineLearningwithSparkNickPentreathMachineLearningforHackersDrewConwayandJohnMylesWhiteDataScienceforBusinessFosterProvostandTomFawcettDevelopingAnalyticTalentVincentGranvilleThinkPython:HowtoThinkLikeaComputerScientistAllenB.DowneyPythonAlgorithmsMagnusLieHetlandPythonCookbookDavidBeazleyandBrianK.JonesTestingPythonDavidSaleProgrammingCollectiveIntelligenceTobySegaranDataAnalysiswithopensourcetoolsPhilippK.JanertPythoninaNutshell:ADesktopQuickReferenceAlexMartelli,AnnaRavenscroft,SteveHoldenPythonMachineLearningSebastianRaschkaTheArtofDataScienceRogerD.Peng,ElizabethMatsuiMachineLearning:TheArtandScienceofAlgorithmsthatMakeSenseofDataPeterFlachModernPythonCookBookStevenF.LottEnsembleMethods:FoundationsandAlgorithmsZhi-HuaZhou